Bootstrapping Corner Cases: High-Resolution Inpainting for Safety Critical Detect and Avoid for Automated Flying

要約

最新の機械学習技術は、特にカメラ画像上の物体検出において多大な可能性を示しています。
このため、ドローンの自律飛行など、安全性が重要な自動化プロセスを可能にするためにも使用されます。
安全上の理由から自動飛行中に航空交通を検出する、ドローンの安全上重要な機能である検出と回避のための物体検出に関する研究を紹介します。
不適切な問題は、検出自体が特殊なケースであるため、適切な、特に大規模なデータ セットを生成することです。
ほとんどのモデルは、記録された航空交通や小型航空機による正面飛行など、生データのグラウンド トゥルースが限られています。
多くの場合、重大な検出率が低下します。
この問題は、修復メソッドを使用してデータセットをブートストラップし、生データのコーナーケースが明示的に含まれるようにすることで解決しました。
修復方法と生成モデルの概要を説明し、注釈付きの小さなデータセットを指定したパイプラインの例を示します。
高解像度のデータセットを生成して手法を検証し、これを一般に公開し、実際のデータで完全にトレーニングされた独立した物体検出器に提示します。

要約(オリジナル)

Modern machine learning techniques have shown tremendous potential, especially for object detection on camera images. For this reason, they are also used to enable safety-critical automated processes such as autonomous drone flights. We present a study on object detection for Detect and Avoid, a safety critical function for drones that detects air traffic during automated flights for safety reasons. An ill-posed problem is the generation of good and especially large data sets, since detection itself is the corner case. Most models suffer from limited ground truth in raw data, \eg recorded air traffic or frontal flight with a small aircraft. It often leads to poor and critical detection rates. We overcome this problem by using inpainting methods to bootstrap the dataset such that it explicitly contains the corner cases of the raw data. We provide an overview of inpainting methods and generative models and present an example pipeline given a small annotated dataset. We validate our method by generating a high-resolution dataset, which we make publicly available and present it to an independent object detector that was fully trained on real data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google